In [4]:
import pandas as pd
import pandas_profiling
import numpy as np
import sklearn
import matplotlib.pyplot as plt
import seaborn as sns
In [5]:
df = pd.read_csv('german_credit_data_scikit_label_dataset.csv')
df.shape
Out[5]:
pandas_profiling¶
generuje obszerny raport na podstawie naszej ramki danych podzielony na 7 części:
- Overview - podstawowe info o ramce danych (ile rekordów, zmiennych, typy zmiennych, missing values itp.) dodatkowo Warnings - na to powinniśmy zwrócić uwagę.
- Variables - spostrzeżenia dotyczące każdej zmiennej, małe podstawowe wykresy
- Interactions - zależności między 2 zmiennymi, w zależności od ich typu generowany jest odpowiedni wykres
- Correlations - wykres macierzy korelacji
- Missing values - brakujące dane
- Sample
In [6]:
pandas_profiling.ProfileReport(df)
Out[6]:
In [12]:
df.dtypes
Out[12]:
In [10]:
# descriptive statistics
df.describe()
Out[10]:
In [26]:
df.head()
Out[26]:
In [19]:
Out[19]:
In [21]:
sns.pairplot(df)
Out[21]:
In [ ]: